开云「中国」电子-官方网站

　　当前火电机组报警系统中存在的主要问题是报警泛滥,存在大量无效报警,严重影响操作人员对于报警系统的使用。由于大量无效报警的存在,许多操作人员依靠经验对报警视而不见,使报警系统失去存在意义。火电机组使用的报警系统只是简单的越限或跳变报警,设计简单,而在机组运行过程中许多参数是一个动态变化的过程,当参数达到报警值时再进行相关处理可能已无法避免故障的发生,因此简单的定值报警并不合理。目前火电机组报警系统缺少对故障进行智能诊断分析的功能,导致故障发生时操作人员无法及时认识到所发生的故障及故障发生原因,致使对于故障的处理具有滞后性。为此,基于国电智深EDPF-NT+ DCS平台,在大量历史数据和专家经验的基础上提出一种基于神经网络和专家系统的智能报警系统,目前已成功应用于内蒙古某电厂,取得了不错的效果。

　　智能报警系统根据实现功能可分为智能报警、智能预警及智能诊断三部分。智能报警部分基于专家经验基础上加入了自动抑制功能,以及考虑现场实际情况下加入了手动抑制功能,并对常见的无效报警进行了优化;智能预警部分在大量历史数据的基础上,基于深度学习神经网络算法预测出过程参数的期望值并与实际值进行比较,当实际值偏离期望值时及时进行预警,实现了早期预警的功能,可有效避免故障的发生;智能诊断分析基于专家系统、神经网络及历史数据,当故障发生的第一时间诊断出已发生故障以及导致故障发生的可能原因,使操作人员能快速做出应对措施,避免事故的扩大化。智能报警系统的投入能有效减少无效报警的数量,提高报警的质量,对于保障机组高效、经济的运行以及避免安全生产事故的发生具有重要的作用。

　　发电厂无效报警主要分两类:机组正常运行中的不必要报警。如A凝结水泵停运后、A凝结水泵出口压力低报警,或某一设备正在检修、此时该设备相关参数也不应该再进行报警;反复报警。报警信号反复超出报警值之后又很快恢复正常,报警信号处于激活的时间很短暂。以上都是大量存在于火电机组的无效报警,这些报警的存在严重影响着操作人员对于报警的判断,导致操作员对于报警系统视而不见。

　　不必要报警识别及优化。不必要报警是指在机组正常运行过程中,无任何异常工况时仍处于激活状态的报警信号。据统计,内蒙古某电厂#1机组在正常运行过程中此类报警数量维持在40～50个,此类报警信号数量巨大是造成报警泛滥的一个重要原因。针对此问题在智能报警软件中加入了抑制功能,根据现场操作人员丰富的经验以及对电厂工艺的熟练度设计自动抑制规则,构造了一个基于专家知识的自动抑制库,其基本原理为:报警信号被激活-自动抑制规则库,判断抑制条件是否存在。如是,进入抑制列表-抑制报警信号;如否,输出报警信号。如A磨煤机出口温度低报警信号被触发时,首先检测A磨煤机停运信号是否存在,若存在则不进行报警,反之则输出报警信号。自动抑制库的投入使用大大减少了报警的数量,减少了报警的干扰。自动抑制的功能都是被固化好的抑制功能,但机组运行中难免会有一些设备因出现损坏而需进行检修的特殊情况,但相关报警会长期处于激活状态,此类报警也会对操作人员造成干扰。针对此问题在智能报警软件中加入了手动抑制的功能,大大促进了操作人员使用报警的积极性,有效减少一部分不必要报警,提高了报警的有效性。目前报警手自动抑制功能已在内蒙古某电厂#1机组成功应用,该功能的应用大大提高了报警的准确度以及可靠性,实践表明大大减少了报警的数量,减少了无效报警的干扰。

　　开云电子网站 开云平台入口

　　反复报警识别及优化。由于噪声的存在或过程变量值非常接近报警限,都会导致某一报警在很短的时间内在正常和激活状态间反复转换,此类报警信号被称为反复报警,是目前无效报警中最常见的一种报警类型。文献[1]提出采用时间窗的方法来达到对反复报警的消除,但该方法首先需规定一个时间T,在时间T中报警数量超过设定的阈值则被认定为反复报警,人为设置的时间T和阈值具有主观性。智能报警系统通过检测报警发生的间隔时间识别反复报警,这一方法反映出报警发生的频率,可有效识别出反复报警,对于反复报警,针对其发生原因采用以下方法处理:在报警中加入延时信号;修改报警定值,使其更加合理严格。通过对反复报警的有效识别,采用以上方法有效消除了绝大部分反复报警。

　　开云电子网站 开云平台入口

　　发电机组在正常运行过程中,许多参数都是随负荷处于一个动态变化的过程中,如主汽压力、总风量、给水流量等参数,而目前的报警系统只是针对参数上下限的定值报警,是一个静态的报警,当参数到达报警上限或报警下限时故障可能已经发生,这就导致报警具有滞后性。就此本文提出一种基于深度学习神经网络建模的参数异常智能预警。传统建模方式一般是根据机理进行建模,建模过程较为复杂且建模周期也较长。通过神经网络进行建模则较为简单,只需选择能反映设备或过程的运行状态是否正常的过程测点的历史数据即可进行建模,建模周期也大大缩短。

　　智能预警利用神经网络算法,通过对处理后的历史数据进行学习来建立模型,以此来确定一个参数在不同工况下的“理想值”,并与该参数的实际值进行比较,以此来判断该参数是否处于正常状态。模型建立过程分两步:选定测点。针对特定设备或过程选择相关测点,其合理性直接影响着建模的有效性;模型训练。其过程是将被监控设备或过程在一段被确认为“正常”状态的时间内归档历史数据作为模型训练的原始数据,进行模型初始化的过程。如图1所示,模型训练的输入参数包括机组负荷、主汽压力及汽包水位,蓝色曲线为给水流量实际值、绿色曲线为“标准值”,红色、黄色曲线分别为预警上、下限值。当实际值偏离期望值超过预警上限值或下限值时,通过智能光字牌中显示该预警信号,操作员可通过预警信号直接链接到预警曲线,有助于操作人员对预警进行直观分析。智能预警有助于提前发现可能会发生的故障,有效避免事故的发生,对于保证机组稳定、经济的运行具有十分重要的意义。

　　大型火电机组系统复杂,设备大都处在高温、高压的工作环境,其故障的发生率高且具有极大危害性[2],当故障发生时如何快速定位发生的故障及故障产生的根源以避免故障的扩大化,对机组安全经济运行具有十分重要的作用。目前已有相关学者对电网系统故障诊断进行研究[3,4],而关于火电机组的故障诊断分析相关研究还很少,相关研究也只是针对火电厂其中一个系统进行故障诊断[5],缺少对故障的根源分析。本文在此基础上提出了一种基于神经网络与专家系统的智能诊断分析。智能诊断分析依据高级运行员的专业知识和丰富经验及设备的设计资料等构建一个逻辑故障知识库。系统依靠逻辑故障知识库、推理机及历史站的数据并结合神经网络训练出的标准值进行推理分析。首先针对故障现象诊断出所发生的故障,然后在逻辑故障知识库中通过对导致该故障发生的所有原因的历史数据进行索进行逐级推理,最终推理出导致该故障发生的根源,诊断推理过程如下:故障现象-故障知识库-诊断出故障;如未能诊断出故障则实施如下步骤:故障现象-故障知识库-历史数据库-进行推理-是否为根源,如是则查找出根源,如否则重新进入故障知识库步骤进行推理。

　　如对A磨煤机满煤进行智能诊断,首先通过A磨煤机相关参数的变化诊断出发生满煤故障,诊断出满煤后,通过历史数据检索A磨入口风压低于标准值和A磨加载油压低于标准值哪一个首先发生,若A磨入口风压低于标准值首先发生,则在历史数据中对A磨热风调门关闭,A磨混合风调门关闭以及A磨混合风关断门关闭进行检索,最终查询到故障发生的根源。故障发生后,操作人员可通过A磨煤机满煤报警信号直接链接到DCS中A磨煤机满煤智能诊断分析图,故障发生的演变过程会在DCS画面中显示出来,对于操作人员在故障即将发生或发生后及时处理故障起到了重要作用。

　　综上,智能诊断分析的投入能使操作人员在故障发生的第一时间直观了解到故障发生的原因以及演变的过程,并根据智能诊断分析快速做出应对措施,避免了由于经验限制、反应时间等导致的处理故障不及时的问题,体现了智能决策的特点。经实际检验,该系统能够对电厂进行智能、准确、实时报警,有效减轻操作人员的工作。